Abstract WP406: Training and Validation of Deepmedic Machine Learning Tool for Automated Hematoma Segmentation and Volume Analysis on CT Using Multicenter Data
Notice bibliographique
Résumé
Introduction: We sought to train and validate an automated machine learning algorithm for ICH segmentation and volume calculation using multicenter data. Methods: An open-source 3D deep machine learning algorithm “DeepMedic” was trained using manually segmented ICH from 208 CT scans (129 patients) from the multicenter PREDICT study. The algorithm was then validated with 125 manually segmented CT scans (48 patients) from the SPOTLIGHT study. Manual segmentation was performed with Quantomo semi-automated software. ABC/2 was measured for all studies by two neuroradiologists. Accuracy of DeepMedic segmentation was assessed using the Dice similarity coefficient. Analysis was stratified by presence of IVH. Intraclass correlation (ICC) with 95% confidence intervals (CI) assessed agreement between manual vs. DeepMedic segmentation volume; and manual segmentation and ABC/2 volume. Bland-Altman charts were analyzed for ABC/2 and DeepMedic vs. manual segmentation volumes. Results: DeepMedic demonstrated high segmentation accuracy in the training cohort (median Dice 0.96; IQR 0.95 - 0.97) and in the validation cohort (median Dice 0.91; IQR 0.86 - 0.94). Dice coefficients were not significantly different between patients with IVH in the training cohort; however was significantly worse in the validation cohort in patients with IVH (Wilcoxon p<0.001). Agreement was significantly better between DeepMedic and manual segmentation (PREDICT: ICC 0.99 [95%CI 0.99 -1.00]; SPOTLIGHT: ICC 0.98 [95%CI 0.97 - 0.99]) than between ABC/2 and manual segmentation (PREDICT: ICC 0.92 [95%CI 0.89 - 0.95]; SPOTLIGHT: ICC 0.95 [95%CI 0.93-0.97]). Improved accuracy of DeepMedic was demonstrated in Bland-Altman charts (Fig 1). Conclusion: ICH machine learning segmentation with DeepMedic is feasible and accurate; and demonstrates greater agreement with manual segmentation compared to ABC/2 volumes. Accuracy of the machine learning algorithm however is limited in patients with IVH.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».